前言

前面的博客（python dlib學習（二）：人臉特征點標定）介紹了使用dlib識別68個人臉特征點，但是當時使用的是dlib官方給出的訓練好的模型，這次要自己訓練一個特征點檢測器出來。當然，想要達到state-of-art的效果需要自己調參，這也是一個苦差了。后面會給出訓練和測試的程序，完整工程的下載鏈接我會放在博文的最后。

數據集準備

這里可以選擇自己制作也可以使用dlib源碼中提供的測試用的數據集。這些圖片存在源碼目錄中的/examples/faces里面。

先看看源碼中提供的數據集吧：

數據集不大，作為測試使用足夠了。如果希望達到state-of-art的效果，還是需要增大數據集，以及調試出合適的參數。
dlib中的人臉特征點檢測算法都是基于CVPR 2014的One Millisecond Face Alignment with an Ensemble of Regression Trees這篇論文實現。自己調參的話，還是有必要讀讀這篇論文。

訓練前還需要在數據集中打好label，這些label都保存在那幾個xml文件當中。
打開training_with_face_landmarks.xml：

里面保存了每張圖片中的人臉的位置，以及68個特征點的位置信息。

打label時需要使用到dlib提供的imglab工具。
有關imlab的使用，我在這篇博文中有介紹： python dlib學習（六）：訓練自己的模型進行識別。
imglab很容易使用，在這里不做贅述。如果想自己制作數據集訓練請自行使用imglab制作。
使用imglab打開xml文件看看：

密密麻麻地標注好了人臉的位置和特征點的位置。

訓練

上代碼。

# coding: utf-8 # # This example program shows how to use dlib's implementation of the paper: # One Millisecond Face Alignment with an Ensemble of Regression Trees by # Vahid Kazemi and Josephine Sullivan, CVPR 2014import os import cv2 import dlib import globcurrent_path = os.getcwd() faces_path = current_path + '/examples/faces'# 訓練部分 # 參數設置 options = dlib.shape_predictor_training_options() options.oversampling_amount = 300 options.nu = 0.05 options.tree_depth = 2 options.be_verbose = True# 導入打好了標簽的xml文件 training_xml_path = os.path.join(faces_path, "training_with_face_landmarks.xml") # 進行訓練，訓練好的模型將保存為predictor.dat dlib.train_shape_predictor(training_xml_path, "predictor.dat", options) # 打印在訓練集中的準確率 print "\nTraining accuracy:{0}".format(dlib.test_shape_predictor(training_xml_path, "predictor.dat"))# 導入測試集的xml文件 testing_xml_path = os.path.join(faces_path, "testing_with_face_landmarks.xml") # 打印在測試集中的準確率 print "\Testing accuracy:{0}".format(dlib.test_shape_predictor(testing_xml_path, "predictor.dat"))

訓練結果

程序運行后，會打印參數信息，隨后開始訓練：

訓練完成：

測試

我們需要導入之前訓練好的模型文件predictor.dat，使用其進行識別。如何檢測并進行顯示，就不注釋了，可以參考我以前的博客：python dlib學習（二）：人臉特征點標定。

# coding: utf-8 # # This example program shows how to use dlib's implementation of the paper: # One Millisecond Face Alignment with an Ensemble of Regression Trees by # Vahid Kazemi and Josephine Sullivan, CVPR 2014import os import cv2 import dlib import glob# 測試部分 # 導入訓練好的模型文件 predictor = dlib.shape_predictor("predictor.dat")detector = dlib.get_frontal_face_detector() print("Showing detections and predictions on the images in the faces folder...") for f in glob.glob(os.path.join(faces_path, "*.jpg")):print("Processing file: {}".format(f))img = cv2.imread(f)img2 = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)dets = detector(img2, 1)print("Number of faces detected: {}".format(len(dets)))for index, face in enumerate(dets):print('face {}; left {}; top {}; right {}; bottom {}'.format(index, face.left(), face.top(), face.right(), face.bottom()))# left = face.left()# top = face.top()# right = face.right()# bottom = face.bottom()# cv2.rectangle(img, (left, top), (right, bottom), (0, 255, 0), 3)# cv2.namedWindow(f, cv2.WINDOW_AUTOSIZE)# cv2.imshow(f, img)shape = predictor(img, face)# print(shape)# print(shape.num_parts)for index, pt in enumerate(shape.parts()):print('Part {}: {}'.format(index, pt))pt_pos = (pt.x, pt.y)cv2.circle(img, pt_pos, 2, (255, 0, 0), 1)#print(type(pt))#print("Part 0: {}, Part 1: {} ...".format(shape.part(0), shape.part(1)))cv2.namedWindow(f, cv2.WINDOW_AUTOSIZE)cv2.imshow(f, img)cv2.waitKey(0) cv2.destroyAllWindows()

測試結果

完整工程下載鏈接；
http://download.csdn.net/download/hongbin_xu/10115166

總結

以上是生活随笔為你收集整理的python dlib学习（八）：训练人脸特征点检测器的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。